Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất và Môi trường, Tập 32, Số 1 (2016) 55-65<br />
<br />
Về khả năng ứng dụng sản phẩm dự báo mưa hạn mùa<br />
của mô hình NCEP-CFS cho khu vực Việt Nam<br />
Phan Văn Tân*, Nguyễn Xuân Thành<br />
Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội, 334 Nguyễn Trãi, Hà Nội, Việt Nam<br />
Nhận ngày 05 tháng 01 năm 2016<br />
Chỉnh sửa ngày 28 tháng 01 năm 2016; Chấp nhận đăng ngày 15 tháng 3 năm 2016<br />
<br />
Tóm tắt. Trong nghiên cứu này, sản phẩm mưa dự báo lại (Hindcast) giai đoạn 1982-2009 và dự<br />
báo nghiệp vụ (Operational) giai đoạn 2012-2014 của mô hình NCEP-CFS (National Centers for<br />
Environmental Prediction - Climate System Forecast) đã được sử dụng để đánh giá khả năng dự<br />
báo mùa tổng lượng mưa tháng trên toàn lãnh thổ Việt Nam với hạn dự báo đến 6 tháng. Dự báo<br />
mưa của CFS đã được đánh giá trên cơ sở so sánh với số liệu mưa phân tích trên lưới (GPCC) độ<br />
phân giải 0.5 x 0.5 độ và với số liệu quan trắc từ mạng lưới trạm khí tượng Việt Nam. Kết quả<br />
nhận được cho thấy CFS cho dự báo lượng mưa tháng khá phù hợp với quan trắc trên các vùng khí<br />
hậu phía Bắc và Nam Bộ Việt Nam trong khi đó lại cho sai số khá lớn trên các vùng khí hậu Trung<br />
Bộ và Tây Nguyên. Sai số dự báo biến động ít theo hạn dự báo nhưng lại khác biệt đáng kể giữa<br />
các tháng được dự báo.<br />
Từ khóa: Dự báo mùa, Dự báo mưa.<br />
<br />
quan trọng không chỉ đối với nông nghiệp mà<br />
cả trong nhiều lĩnh vực khác như quản lý tài<br />
nguyên nước, lập kế hoạch sản xuất, điều tiết<br />
các hồ chứa thuỷ điện và thuỷ lợi, v.v.<br />
Dự báo mưa hạn mùa đã được bắt đầu từ rất<br />
sớm và chủ yếu dựa trên các phương pháp thực<br />
nghiệm [3-5], trong đó việc dự báo được xây<br />
dựng dựa trên mối quan hệ thống kê giữa yếu tố<br />
dự báo và tập các nhân tố dự báo. Phương pháp<br />
thực nghiệm đã được ứng dụng rộng rãi trong<br />
dự báo mùa nói chung và dự báo mưa hạn mùa<br />
nói riêng [6-9]. Tuy nhiên, với sự phát triển<br />
nhanh chóng của các mô hình khí hậu toàn cầu<br />
(GCMs) và mô hình khí hậu khu vực (RCMs),<br />
bài toán dự báo mưa hạn mùa bằng phương<br />
pháp động lực đã và đang được nhiều tác giả<br />
nghiên cứu [10-12]. Phương pháp động lực sử<br />
dụng các mô hình số để thực hiện bài toán dự<br />
<br />
1. Mở đầu∗<br />
Trong những năm gần đây bài toán dự báo<br />
mùa được đặc biệt quan tâm do tầm quan trọng<br />
của nó đối với nhiều lĩnh vực kinh tế - xã hội.<br />
Dự báo mùa có thể cung cấp thông tin dự báo<br />
với hạn đủ dài, điển hình là 3-6 tháng tới, cho<br />
việc đưa ra những quyết sách thích hợp cho<br />
nông nghiệp, góp phần bảo đảm an ninh lương<br />
thực và an sinh xã hội [1,2]. Bên cạnh nhiệt độ,<br />
yếu tố khí hậu được quan tâm đặc biệt trong dự<br />
báo mùa là lượng mưa, nhất là ở các khu vực<br />
gió mùa hoạt động với địa hình phức tạp như ở<br />
Việt Nam. Những thông tin dự báo mưa hạn<br />
mùa đối với các vùng này có thể đóng vai trò<br />
<br />
_______<br />
∗<br />
<br />
Tác giả liên hệ. ĐT: 84-912066237.<br />
Email: tanpv@vnu.edu.vn<br />
<br />
55<br />
<br />
56<br />
<br />
P.V. Tân, N.X. Thành / Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất và Môi trường, Tập 32, Số 1 (2016) 55-65<br />
<br />
báo. Các mô hình này có thể dự báo được sự<br />
tiến triển của hệ thống khí hậu trong vài tháng<br />
tới [13].<br />
Cơ sở khoa học của bài toán dự báo mùa<br />
bằng phương pháp động lực là các quá trình<br />
biến đổi chậm từ điều kiện biên dưới, như SST,<br />
nhiệt độ và độ ẩm đất, v.v., đặc biệt ở các vùng<br />
nhiệt đới, nơi mà các quá trình này có vai trò<br />
quan trọng trong sự biến đổi hàng năm của<br />
hoàn lưu gió mùa [14]. Trong khi độ chính xác<br />
của dự báo nhiệt độ về cơ bản có thể chấp nhận<br />
được, ít nhất sau khi thực hiện hiệu chỉnh sai số<br />
[15], thì sai số dự báo mưa hạn mùa của các mô<br />
hình, kể cả các mô hình toàn cầu và mô hình<br />
khu vực vẫn đang còn là thách thức lớn ([1618]. Một số nghiên cứu gần đây đã nhấn mạnh<br />
rằng các mô hình kết hợp với cách tiếp cận kết<br />
hợp đại dương - khí quyển có thể nâng cao khả<br />
năng dự báo mưa gió mùa mùa hè [19, 20]. Các<br />
mô hình kết hợp đầy đủ đại dương - khí quyển<br />
sẽ có khả năng nắm bắt tốt hơn biến động của<br />
gió mùa [20], do đó chúng có thể biểu diễn tốt<br />
hơn quá trình tương tác biển-khí và các hiện<br />
tượng kết hợp đại dương-khí quyển trong mô<br />
hình [10]. Nhiều công trình nghiên cứu cũng đã<br />
chỉ ra rằng, phương pháp tổ hợp đa mô hình sẽ<br />
là cách tiếp cận hữu hiệu để cải tiến chất lượng<br />
dự báo thời tiết, khí hậu bằng phương pháp<br />
động lực [17], trong đó có dự báo mưa hạn mùa<br />
[2]. Mặc dù vậy, gió mùa châu Á là một trong<br />
những bộ phận phức tạp nhất của khí hậu Trái<br />
đất. Việc mô phỏng gió mùa châu Á, đặc biệt là<br />
mưa gió mùa, vẫn đang là vấn đề thách thức lớn<br />
trong mô hình hoá khí hậu [18].<br />
Nằm trong khu vực gió mùa châu Á, thuộc<br />
phần phía đông của bán đảo Đông Dương, lãnh<br />
thổ Việt Nam chạy dài theo hướng bắc - nam,<br />
hẹp theo hướng đông - tây, có đường bờ biển<br />
dài trên 3000 km, nằm kề ổ bão Tây Thái Bình<br />
dương, có địa hình phức tạp với hầu hết các dãy<br />
núi có hướng trực giao với hướng gió thịnh<br />
hành. Khí hậu Việt Nam phân hoá khá phức tạp<br />
theo cả không gian và thời gian. Do sự tương<br />
tác giữa địa hình và hoàn lưu gió mùa cũng như<br />
các dạng nhiễu động nhiệt đới (ITCZ, bão), chế<br />
độ mưa trong năm ở Việt Nam được chia làm<br />
hai mùa khá rõ rệt với các vùng khí hậu phía<br />
<br />
bắc và phía nam có mùa mưa gần trùng với mùa<br />
gió mùa mùa hè và mùa khô gần trùng với mùa<br />
gió mùa mùa đông, trong khi đó các vùng khí<br />
hậu miền trung lại có mùa mưa dịch chuyển về<br />
các tháng cuối mùa thu đầu mùa đông với cực<br />
đại mưa rơi vào khoảng tháng 10, tháng 11 [21,<br />
22]. Dân số Việt Nam trên 90 triệu người trong<br />
đó phần lớn sống dựa vào sản xuất nông<br />
nghiệp. Mặc dù chỉ đóng góp khoảng 20% GDP<br />
nhưng lĩnh vực nông nghiệp lại thu hút đến<br />
khoảng gần 70% lực lượng lao động. Sản xuất<br />
nông nghiệp ở Việt Nam phụ thuộc chủ yếu vào<br />
điều kiện thời tiết, khí hậu, đặc biệt là chế độ<br />
mưa. Ngoài ra, Việt Nam cũng được biết đến<br />
như một quốc gia có mật độ các nhà máy thuỷ<br />
điện dày đặc. Trừ một số nhà máy thuỷ điện có<br />
công suất lớn, đa số còn lại đều có qui mô vừa<br />
và nhỏ, phân bố trên các con sông ngắn và có<br />
độ dốc lớn ở miền Trung. Hệ thống thuỷ điện<br />
này, ngoài chức năng chính là cung cấp nguồn<br />
điện năng cho đất nước, còn có vai trò điều tiết<br />
nước phục vụ sản xuất nông nghiệp. Do đó,<br />
thông tin dự báo mưa hạn mùa là cực kỳ quan<br />
trọng không chỉ đối với sản xuất nông nghiệp,<br />
điều tiết các hồ chứa cho các nhà máy thuỷ điện<br />
mà còn đối với nhiều lĩnh vực kinh tế xã hội<br />
khác, đặc biệt trong bối cảnh biến đổi khí hậu<br />
hiện nay.<br />
Mặc dù vậy, vấn đề dự báo mùa ở Việt Nam<br />
nói chung, dự báo mưa hạn mùa nói riêng hầu<br />
như chưa quan tâm đúng mức. Hệ thống dự báo<br />
mùa nghiệp vụ ở Việt Nam hiện nay chủ yếu<br />
dựa vào phương pháp thống kê truyền thống<br />
trong đó yếu tố dự báo là dị thường nhiệt độ và<br />
lượng mưa mùa, còn nhân tố dự báo là dị<br />
thường nhiệt độ mặt nước biển các vùng Nino<br />
3, 4, 3+4 và các chỉ số ENSO [23]. Bài toán dự<br />
báo mùa bằng các mô hình động lực mới chỉ<br />
được khởi xướng gần đây [15, 24], tuy nhiên<br />
chưa có hệ thống dự báo mùa động lực nào<br />
được đưa vào nghiệp vụ ở Việt Nam cho đến<br />
nay. Đó là động lực chính thúc đẩy sự ra đời bài<br />
báo này. Mục 2 của bài báo sẽ trình bày các<br />
nguồn số liệu được sử dụng trong nghiên cứu<br />
này. Mục 3 trình bày kết quả tính toán phân<br />
tích, và mục 4 là một số kết luận rút ra của<br />
bài báo.<br />
<br />
P.V. Tân, N.X. Thành / Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất và Môi trường, Tập 32, Số 1 (2016) 55-65<br />
<br />
2. Số liệu và phương pháp<br />
Trong nghiên cứu này, sản phẩm mưa dự<br />
báo lại (Hindcast) giai đoạn 1982-2009 và dự<br />
báo nghiệp vụ (Operational) giai đoạn 20122014 của mô hình NCEP-CFS (National<br />
Centers for Environmental Prediction - Climate<br />
System Forecast) đã được sử dụng để đánh giá<br />
khả năng dự báo mùa tổng lượng mưa tháng<br />
trên toàn lãnh thổ Việt Nam với hạn dự báo đến<br />
6 tháng.<br />
Các nguồn số liệu được sử dụng trong<br />
nghiên cứu này bao gồm:<br />
1) Sản phẩm dự báo của NCEP-CFS: CFS<br />
là hệ thống dự báo hạn mùa bằng phương pháp<br />
động lực kết hợp đầy đủ khí quyển - đất - đại<br />
dương đã trở thành hệ thống dự báo nghiệp vụ<br />
tại NCEP từ tháng 8/2004 [25]. Hiện tại NCEP<br />
cung cấp miễn phí các loại số liệu dành cho<br />
nghiên cứu và dự báo nghiệp vụ. Trong nghiên<br />
cứu này chúng tôi sử dụng hai bộ số liệu là<br />
lượng mưa tháng dự báo lại giai đoạn 19822009 [26] và lượng mưa tháng dự báo nghiệp<br />
vụ giai đoạn 2012-2014 [27]. Độ phân giải<br />
ngang của cả hai tập số liệu này đều bằng 1.0 x<br />
1.0 độ kinh vĩ.<br />
+ Đối với số liệu dự báo lại (CFS_Rfc),<br />
CFS được chạy dự báo 5 ngày 1 lần với hạn dự<br />
báo lên đến 9 tháng. Lượng mưa tháng dự báo<br />
là trung bình tổng lượng mưa tháng của mô<br />
hình có thời điểm chạy dự báo nằm trong cùng<br />
một tháng.<br />
+ Đối với số liệu dự báo nghiệp vụ<br />
(CFS_Ope), CFS được chạy hàng ngày với hạn<br />
dự báo đến 9 tháng. Tuy nhiên, NCEP chỉ cung<br />
cấp miễn phí đến hạn dự báo 6 tháng. Hơn nữa,<br />
do dung lượng lưu trữ hạn chế, chúng tôi chỉ<br />
lấy số liệu 7 ngày một lần. Tổng lượng mưa<br />
tháng cũng được lấy trung bình trên tất cả các<br />
lần dự báo trong cùng một tháng.<br />
2) Số liệu GPCC (The Global Precipitation<br />
Climatology Centre): Là các bộ số liệu mưa<br />
phân tích trên lưới kinh vĩ được tạo ra và cung<br />
cấp miễn phí bởi Cơ quan Thời tiết, Cộng hoà<br />
Liên bang Đức (DWD), bao gồm nhiều loại<br />
khác nhau về độ phân giải không gian và thời<br />
<br />
57<br />
<br />
gian [28]. Trong nghiên cứu này chúng tôi sử<br />
dụng bộ số liệu lượng mưa tháng phiên bản<br />
V6.0 với độ phân giải 0.5 x 0.5 độ giai đoạn<br />
1901-2010.<br />
3) Số liệu mưa quan trắc trên mạng lưới<br />
trạm khí tượng Việt Nam: Là số liệu mưa quan<br />
trắc tại 115 trạm phân bố tương đối đồng đều<br />
trên 7 vùng khí hậu Việt Nam giai đoạn 19822009 và 2012-2014.<br />
Để tiến hành đánh giá khả năng dự báo mưa<br />
hạn mùa của CFS cho Việt Nam, sản phẩm mưa<br />
dự báo CFS_Rfc được nội suy về lưới của<br />
GPCC và về vị trí các trạm quan trắc. Kỹ năng<br />
dự báo lượng mưa của CFS_Rfc được đánh giá<br />
trên cơ sở các chỉ số thống kê sai số trung bình<br />
tương đối (RME - tỷ số giữa sai số trung bình<br />
ME và trung bình khí hậu), sai số tuyệt đối<br />
trung bình tương đối (RMAE - tỷ số giữa MAE<br />
và trung bình khí hậu), hệ số tương quan giữa<br />
dự báo và quan trắc (COR). Việc đánh giá dự<br />
báo pha của CFS_Ope cho giai đoạn 2012-2014<br />
được thực hiện trên cơ sở so sánh giá trị dự báo<br />
của mô hình với các phân vị q33m và q66m<br />
tính từ chuỗi số liệu CFS_Rfc. Do không có số<br />
liệu GPCC giai đoạn 2012-2014 nên việc<br />
đánh giá dự báo mưa của CFS_Ope chỉ được<br />
thực hiện bằng cách so sánh với số liệu quan<br />
trắc tại trạm.<br />
3. Kết quả và thảo luận<br />
3.1. Đánh giá sản phẩm mưa dự báo lại của<br />
CFS giai đoạn 1982-2009<br />
Trên hình 1 biểu diễn tổng lượng mưa các<br />
tháng 1, 4, 7, 10 lấy trung bình trên toàn giai<br />
đoạn 1982-2009 của số liệu quan trắc tại trạm,<br />
số liệu GPCC và sản phẩm dự báo CFS_Rfc với<br />
các hạn dự báo 1, 3, 6 tháng. Có thể nhận thấy<br />
phân bố mưa của GPCC trên khu vực Việt Nam<br />
khá phù hợp với số liệu quan trắc trạm, được<br />
thể hiện ở sự phân bố hợp lý các trung tâm mưa<br />
lớn, mưa bé của cả hai tập số liệu. Điều đó cho<br />
phép nhận định rằng có thể sử dụng số liệu<br />
GPCC để đánh giá kỹ năng dự báo mưa của mô<br />
hình CFS.<br />
<br />
58<br />
<br />
P.V. Tân, N.X. Thành / Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất và Môi trường, Tập 32, Số 1 (2016) 55-65<br />
<br />
Phân bố không gian lượng mưa dự báo của<br />
CFS_Rfc trên toàn Việt Nam và các vùng phụ<br />
cận cũng có sự phù hợp tốt với phân bố lượng<br />
mưa của GPCC, hơn nữa, CFS_Rfc cho dự báo<br />
mưa khá ổn định theo hạn dự báo. Mặc dù vậy,<br />
CFS_Rfc đã dự báo vượt quá lượng mưa quan<br />
trắc trên vùng Đông Bắc, thấp hơn trên vùng<br />
Tây Bắc Việt Nam vào tháng 1 và tháng 4<br />
nhưng lại cho dự báo mưa thấp hơn quan trắc ở<br />
miền Trung vào tháng 7 và trên cả nước vào<br />
tháng 10. Ngoài ra, do độ phân giải thô hơn của<br />
CFS_Rfc nên các đắc điểm địa phương như vai<br />
trò của địa hình (dãy Trường Sơn,...), tính chất<br />
bề mặt đệm,... đối với phân bố không gian mưa<br />
hầu như không được mô tả một cách đầy đủ bởi<br />
mô hình..<br />
Phân bố sai số trung bình tương đối (RME)<br />
của mưa dự báo của CFS_Rfc trên hình 2 cho<br />
thấy, CFS dự báo thiên thấp vào các tháng<br />
chuyển mùa (tháng 4 và tháng 10) và không có<br />
qui luật rõ rệt vào các tháng 1, 7. Ngoại trừ<br />
tháng 10 khi mà trị số của RME trên hầu khắp<br />
lãnh thổ có thể đạt tới -100%, nhất là khu vực<br />
miền Trung, các tháng còn lại RME chỉ dao<br />
động trong khoảng ± 50%.<br />
<br />
Trên hình 3 biểu diễn phân bố sai số tuyệt<br />
đối trung bình tương đối (RMAE) của lượng<br />
mưa dự báo CFS_Rfc. Có thể thấy rằng, CFS<br />
cho sai số dự báo khá lớn trên khu vực miền<br />
Trung vào tháng 10, với trị số của RMAE có<br />
thể đạt đến 100%. RMAE có giá trị nhỏ nhất,<br />
vào khoảng dưới 30%, vào tháng 1 ở hầu hết<br />
các vùng khí hậu, trừ khu vực miền Trung.<br />
RMAE dao động trong khoảng 40-60% vào các<br />
tháng 4, 7. Sai số quá lớn trên khu vực miền<br />
Trung vào tháng 10 là một hạn chế đáng chú ý<br />
của dự báo CFS, vì đây là tháng rơi vào mùa<br />
mưa đồng thời là tháng mưa lớn nhất ở khu<br />
vực này.<br />
Hệ số tương quan giữa dự báo CFS_Rfc và<br />
quan trắc GPCC được cho trên hình 4. Qua đó<br />
nhận thấy có sự phù hợp nhất định giữa sai số<br />
dự báo của CFS_Rfc và mối quan hệ tương<br />
quan của chúng với lượng mưa quan trắc. Hệ số<br />
tương quan đạt trị số khá cao (khoảng trên 0.7)<br />
ở các vùng khí hậu phía bắc và phía nam trong<br />
khi giá trị này khá thấp ở khu vực miền Trung<br />
(chỉ trong khoảng 0.4-0.6).<br />
<br />
P.V. Tân, N.X. Thành / Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất và Môi trường, Tập 32, Số 1 (2016) 55-65<br />
<br />
Hình 1. Phân bố tổng lượng mưa tháng trung bình giai đoạn 1982-2009 trong các tháng 1, 4, 7, 10 (từ trên<br />
xuống) của số liệu quan trắc tại trạm, số liệu GPCC và CFS_Rfc với hạn dự báo 1, 3, 6 (từ trái sang phải).<br />
<br />
59<br />
<br />